代码
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
classes = 2
labels = tf.constant([0,1,0,0,1,1,1,0,3,4]) # labels的类型是一个Tensor
output = tf.one_hot(labels,classes) # output的类型也是一个Tensor
print(type(labels))
print(type(output))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
output = sess.run(output)
print('output of one-hot is:\n',output)
由于值划分为了两个类别。所以labels中的0对应的one-hot编码是[1. 0.],labels中的1对应的one-hot编码是[0. 1.],由于只划分为了两个类别,可以用来表示0和1。当labels中出现0和1之外的数据的时候,比如本例子中的3和4,那么将会无法表示,对应的编码就是[0. 0.]。即对于超出表示范围的值,将会采用的编码是[0. 0.]即所有的都是0.
如果指定类别为3,那么可以表示0,1,2
同理,如果指定类别为4,那么可以表示0,1,2,3
以此类推....
eg:
PS:
其实,tf.one_hot()函数还有两个参数,即on_value和off_value.。从上面的例子可以知道,默认的on_value是1,默认的off_value是0。我们可以把on_value想象成灯亮了,把off_value表示灯没了。这样以来,到最后除了某个人(对应的类别)对你留灯了,其他人都灯灭了。就可以表示对应的类别。